人工智能是 最近的一个比较火的名词，相信大家对于阿尔法狗都不陌生吧？其实我对人工智能以前也是非常抵触的，因为我认为机器人会取代人类，成为地球乃至宇宙的霸主，但是人工智能带给我的这种冲击，我个人感觉是欲罢不能的，进入正题，网上找了一个人工智能的框架，它的名字叫做syntaxnet ，有兴趣的可以去看看，底层是用C++实现的。
由于人工智能是一个比较新的名词，连我自己接触的也很少；所以也只能带大家一起摸索了，如果园子里有人工智能 方面的大牛，还希望多多请教。
syntaxnet 官方的解释是：有序的神经网络模型。它有另外一个奇怪的名字，叫做：TensorFlow 。TensorFlow实现的模型的描述这里可以找到；GOOGLE花费了大量的时间去研究怎么才能让机器更聪明的学习人类的语言，以及以更快的方式学习人类的语言；
这里有必要去科普一下TensorFlow，我刚刚查了下；官方的解释是：TensorFlow是一款开源的使用使用数据流图的数值计算类库。在图形中的节点(Node)呈现了各种不同的数学操作等等...剩下的就不翻译了，有感兴趣的可以谷歌一下。其实我外语不太好，各位抱歉了，翻译啥的，慢慢来吧。
训练模型
下面的教程当中，我将告诉大家 如何训练模型，会介绍更多的和NPL相关的东西；重点关注点是NPL 管道。
词性标注器
考虑如下句子，它有 很多种不同的意思；I saw the man with glasses 以上句子由下面几部分组成：
不同的字符串可以分割成如下几组：例如:"I","saw","the" 就是3组，分隔符为空格，每一个单词都有它们不同的意思，大家学过英语的人都知道，英语有时候一个词有10几个意思，并且这次意思在不同的语境中的意思都是不同的；比如这里面的saw是to see的过去式，然而已经提到过，不同的词在不同 的语境当中有不同的意思，比如saw在某些情况下可以作为名词，也有可能是现在时，上面说的需要一点英语基础的。
如果要理解不同的词的意思，首先是需要知道不同的词在在这个句子中所扮演的不同角色，这个过程就叫做Part-of-Speech (POS) Tagging,也就是词性标注器，这些角色叫做POS Tags,虽然一个单词可能对于这个句子来说拥有不同的上下文，但是对于任何的一个组成句子的单词来说，当它们的语义组合在一起的时候，往往Tag(释义)的个数会大幅减少，一般来说就是一种意思。
对于POS Tagging来说，对于一个句子当中定义动词，是一个很有挑战性的东西。当动词和名词的意思很相近的时候，对于任何语言来说，定义动词或者名词，都是极其困难的。 Universal Dependencies 的目的就是为了解决这个问题，有兴趣的可以点开看看。
训练SyntaxNet POS Tagger
要得到这个句子的所有单词的正确Tag,我们首先必须让机器能够理解这个句子的具体意思，在当前上下文当中。这里我们可以采用一种句子当中的就近原则去分析，比如I saw the man with glasses, saw 的前面是I,saw 的后面是the；比如the的后面，一般来说是接名词或者形容词，而并不是动词。
为了达到预估什么意思的目的，一般使用如下步骤：从左到右。我们先把这个句子的所有的临近的词配合起来，然后把这些意思都算出来，然后发送给神经网络分类器的前馈，用来分析POS Tags在不同的语境当中的不同意思。因为我们是按照从左到右的顺序，所以下一个单词的意思，也可能是由前一个或者几个单词的意思来判断的，比如I saw the man with glasses,中saw 如果 确定是动词了，the 肯定不是动词，man在句子中的意思或者是语法作用，肯定是前面的the来修饰的，所以后面的单词就算有不同的意思，也能由前面的单词，来进行筛选。
所有的在这个包里面的模型都使用了灵活的标记语言去定义特性。比如POS Tag ,带参数brain_pos_features 在TaskSpec中，看起来像这样：
stack(3).word stack(2).word stack(1).word stack.word input.word input(1).word input(2).word input(3).word;
input.digit input.hyphen;
stack.suffix(length=2) input.suffix(length=2) input(1).suffix(length=2);
stack.prefix(length=2) input.prefix(length=2) input(1).prefix(length=2)
注意stack 的意思是表示这个单词已经被Tagged了。所以，详细的说，有3种不同的Types对于这个功能来说：单词，后缀和前缀。所以更像一个嵌入式的矩阵，就好比Table里面又有个Table一样，串联起来了，送入了隐藏的层的链表中。
下面给大家一张图先睹为快哦~~~
未完待续~~敬请期待~~~